[发明专利]疾病状态预测

权利要求书

1.一种用于确定至少一个分析模型以用于预测指示疾病状态的至少一个目标变量的机器学习系统(110)，所述机器学习系统包括：

-至少一个通信接口(114)，所述至少一个通信接口被配置用于接收输入数据，其中所述输入数据包括一组历史数字生物标志物特征数据，其中所述一组历史数字生物标志物特征数据包括指示待预测的所述疾病状态的多个测得值，其中所述历史数字生物标志物特征数据为由至少一个移动装置确定的实验数据，所述实验数据包括每个受试者的与疾病的症状相关的多个不同测量值，其中所述输入数据是使用所述移动装置在主动测试中确定的，所述主动测试诸如至少一项认知测试和/或至少一项手部运动功能测试和/或至少一项移动性测试；

-至少一个模型单元(116)，所述至少一个模型单元包括至少一个机器学习模型，所述至少一个机器学习模型包括至少一种算法；

-至少一个处理单元(112)，其中所述处理单元(112)被配置用于从输入数据集中确定至少一个训练数据集和至少一个测试数据集，其中所述处理单元(112)被配置用于通过利用所述训练数据集训练所述机器学习模型来确定所述分析模型，其中所述训练为针对所述训练数据集确定机器学习模型的所述算法的参数的过程，其中所述训练针对不同受试者的所述训练数据集迭代地进行，其中所述分析模型为回归模型，其中所述机器学习模型的所述算法为选自由以下项组成的组的至少一种算法：k最近邻(kNN)；线性回归；偏最小二乘(PLS)；随机森林(RF)；以及极端随机树(XT)，或者其中所述分析模型为分类模型，其中所述机器学习模型的所述算法为选自由以下项组成的组的至少一种算法：k最近邻(kNN)；支持向量机(SVM)；线性判别分析(LDA)；二次判别分析(QDA)；朴素贝叶斯(NB)；随机森林(RF)；以及极端随机树(XT)，其中所述处理单元(112)被配置用于使用所确定的分析模型来针对所述测试数据集预测所述目标变量，其中所述处理单元(112)被配置用于基于所预测的目标变量和所述测试数据集的所述目标变量的真值来确定所确定的分析模型的性能，

其中所述机器学习系统(110)包括至少一个输出接口(118)，其中所述输出接口(118)被配置用于提供至少一个输出，其中所述输出包括关于所确定的分析模型的所述性能的至少一个信息，其中关于所确定的分析模型的所述性能的所述信息包括以下中的一项或多项：至少一个评分表、至少一个预测图、至少一个相关性图和至少一个残差图，

其中所述模型单元(116)包括多个机器学习模型，其中所述机器学习模型通过其算法来区分，其中所述处理单元(112)被配置用于通过利用所述训练数据集训练相应的机器学习模型来确定所述机器学习模型中的每一个的分析模型以及被配置用于使用所确定的分析模型针对所述测试数据集预测所述目标变量，其中所述处理单元(112)被配置用于基于所预测的目标变量和所述测试数据集的所述目标变量的所述真值来确定所确定的分析模型中的每一个的性能，其中所述处理单元(112)被配置用于确定具有最佳性能的所述分析模型。

2.根据前述权利要求所述的机器学习系统(110)，其中状态为待预测的疾病为多发性硬化症并且所述目标变量为扩展残疾状态量表(EDSS)值，或者其中状态为待预测的疾病为脊髓性肌萎缩并且所述目标变量为用力肺活量(FVC)值，或者其中状态为待预测的疾病为亨廷顿氏病并且所述目标变量为总运动评分(TMS)值。

3.根据前述权利要求中任一项所述的机器学习系统(110)，其中所述处理单元(112)被配置用于针对每个受试者的所述输入数据生成和/或创建训练数据集和测试数据集，其中所述测试数据集包括一个受试者的数据，其中所述训练数据集包括其他输入数据。

4.根据前述权利要求中任一项所述的机器学习系统(110)，其中所述处理单元(112)被配置用于从所述输入数据中提取特征，其中所述处理单元(112)被配置用于通过使用最大相关最小冗余技术对所述特征进行排序。

5.根据前述权利要求所述的机器学习系统(110)，其中所述处理单元(112)被配置用于通过利用所述训练数据集训练所述机器学习模型来考虑不同数量的特征以用于确定所述分析模型。